A CEAP (Cota para Exercício da Atividade Parlamentar) é um auxílio que deputados e deputadas recebem. Nesta análise vamos explorar como esse auxílio vem sendo utilizado. Nesta atividade, como nossos dados do ano de 2017 só vão até o mês de setembro, iremos trabalhar com as informações referentes ao ano de 2016. Primeiro, começaremos lendo os dados que vamos utilizar e carregar as bibliotecas necessárias
library(maptools)     
library(spdep)          
library(cartography)    
library(tmap)           
library(leaflet)        
library(rgdal)
library(RColorBrewer)
library(tidyverse)
library(shiny)
library(lubridate)
library(ggplot2)
# Importando dataset----
ceap <- read_csv("dadosCEAP.csv")

1 - Gastos com a CEAP ao longo do ano de 2016

1.1 - Em nossa primeira observação, gostaríamos de analisar um pouco o comportamento dos gastos do partido com a verba da CEAP no ano de 2016. Para não poluir o gráfico e tornar a visualização complicada, aqui, exibiremos apenas os gasto dos 10 maiores partidos - entendemos por maior aqueles partidos com maior número de filiados (baseado em informações referentes ao ano de 2014) - no ano de 2016.
options(scipen=999)
ceap %>% 
  filter(sgPartido == "PT" | sgPartido == "PMDB" | sgPartido == "PDT" | sgPartido == "PP" | sgPartido == "PSDB" | sgPartido == "PTB"| sgPartido == "DEM" | sgPartido == "PR" | sgPartido == "PSB"| sgPartido == "PPS") %>% 
  filter(substr(dataEmissao,0,4) == "2016") %>% 
  group_by(mes = (substr(dataEmissao,6,7)), sgPartido) %>% 
  filter(valorLíquido >= 0) %>% 
  summarise(gastosAno = sum(valorLíquido)) %>% 
  na.omit() %>% 
  ggplot(aes(x=mes, y=gastosAno, group=sgPartido))  +
  geom_line(aes(color=sgPartido))+
  geom_point(aes(color=sgPartido)) +
  labs(title = "Gastos da CEAP dos partidos ao longo do ano de 2016", x = "Mês", y = "Gastos (R$)", color = "Partidos")

Podemos observar que o PMDB foi o partido que mais gastou em 9 dos 12 meses. Já o PPS se mostrou o mais econômico dos 10. Alguns fatos interessantes: Nos meses de Fevereiro, Março e Agosto, todos os partidos mostraram um aumento nos gastos referente ao mês anterior. Já nos meses de Abril, Julho e Setembro, todos os 10 partidos gastaram menos dinheiro.

2 - Gastos da CEAP distribuído por estado.

2.1 - Como segunda observação, gostaríamos de analisar a distrubuição dos gastos da CEAP no território brasileiro. Nossa primeira análise mostra os gastos totais da CEAP no ano de 2016. Quanto mais escuro tom, maior o gasto. Clique com o mouse sobre os estados para saber o valor dos gastos em reais.
# Importando shapefile (mapa do Brasil)----

shp <- readOGR("Mapa\\.", "BRUFE250GC_SIR", stringsAsFactors=FALSE, encoding="UTF-8")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\mathe\Documents\CDP\labs_cdp\lab-02\Mapa", layer: "BRUFE250GC_SIR"
## with 27 features
## It has 3 fields
gastosUF <- ceap %>%
  filter(valorLíquido >= 0) %>% 
  filter(substr(dataEmissao,0,4) == "2016") %>% 
  group_by(sgUF) %>% 
  summarise(gastos = sum(valorLíquido)) %>% 
  na.omit()

class(gastosUF)
## [1] "tbl_df"     "tbl"        "data.frame"
# Importando códigos do IBGE e adicionando ao dataset----

ibge <- read.csv("Dados\\estadosibge.csv", header=T,sep=",")

gastosUF <- merge(gastosUF,ibge, by.x = "sgUF", by.y = "UF")

# Fazendo a junção entre o dataset e o shapefile----

gastosBrasil <- merge(shp,gastosUF, by.x = "CD_GEOCUF", by.y = "Código.UF")

#Tratamento e transformação dos dados----

proj4string(gastosBrasil) <- CRS("+proj=longlat +datum=WGS84 +no_defs") #adicionando coordenadas geográficas

# Gerando o mapa---

pal <- colorBin("Purples",domain = NULL,n=5) #cores do mapa


state_popup <- paste0("<strong>Estado: </strong>", 
                      gastosBrasil$Unidade.da.Federação, 
                      "<br><strong>Gastos (R$): </strong>", 
                      gastosBrasil$gastos)
leaflet(data = gastosBrasil) %>%
  addProviderTiles("CartoDB.Positron") %>%
  addPolygons(fillColor = ~pal(gastosBrasil$gastos), 
              fillOpacity = 0.8, 
              color = "#BDBDC3", 
              weight = 1, 
              popup = state_popup) %>%
  addLegend("bottomright", pal = pal, values = ~gastosBrasil$gastos,
            title = "Gastos da CEAP por estado no ano de 2016",
            opacity = 1)
Podemos notar que o estado de São Paulo foi aquele que mais utilizou a cota.
2.2 - Nossa segunda análise mostra os gastos com a CEAP por parlamentar (em média), ou seja, os gastos da CEAP dos estados no ano de 2016 dividido pela quantidade de parlamentares.
# Importando shapefile (mapa do Brasil)----

shp <- readOGR("Mapa\\.", "BRUFE250GC_SIR", stringsAsFactors=FALSE, encoding="UTF-8")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\mathe\Documents\CDP\labs_cdp\lab-02\Mapa", layer: "BRUFE250GC_SIR"
## with 27 features
## It has 3 fields
# Extraindo a quantidade de Parlamentares pos Estado

usos <- ceap %>% 
  group_by(nomeParlamentar, sgUF) %>% 
  summarise(usos = n())
nParlamentaresEstado <- usos %>% 
  group_by(sgUF) %>% 
  summarise(parlamentares = n()) %>% 
  na.omit()

# Extraindo o valor dos gastos por estados e dividindo pela quantidade de parlamentares

gastosUF <- ceap %>%
  filter(valorLíquido >= 0) %>% 
  filter(substr(dataEmissao,0,4) == "2016") %>% 
  group_by(sgUF) %>% 
  summarise(g = sum(valorLíquido)) %>% 
  na.omit()

gastosUF <- merge(nParlamentaresEstado, gastosUF, by.x = "sgUF", by.y = "sgUF")
gastosUF <- gastosUF %>% 
  group_by(sgUF) %>% 
  summarise(gastos = g/parlamentares)

class(gastosUF)
## [1] "tbl_df"     "tbl"        "data.frame"
# Importando códigos do IBGE e adicionando ao dataset----

ibge <- read.csv("Dados\\estadosibge.csv", header=T,sep=",")

gastosUF <- merge(gastosUF,ibge, by.x = "sgUF", by.y = "UF")

# Fazendo a junção entre o dataset e o shapefile----

gastosBrasil2 <- merge(shp,gastosUF, by.x = "CD_GEOCUF", by.y = "Código.UF")

#Tratamento e transformação dos dados----

proj4string(gastosBrasil2) <- CRS("+proj=longlat +datum=WGS84 +no_defs") #adicionando coordenadas geográficas

# Gerando o mapa---

pal <- colorBin("Purples",domain = NULL,n=5) #cores do mapa


state_popup <- paste0("<strong>Estado: </strong>", 
                      gastosBrasil2$Unidade.da.Federação, 
                      "<br><strong>Gastos (R$): </strong>", 
                      gastosBrasil2$gastos)
leaflet(data = gastosBrasil2) %>%
  addProviderTiles("CartoDB.Positron") %>%
  addPolygons(fillColor = ~pal(gastosBrasil2$gastos), 
              fillOpacity = 0.8, 
              color = "#BDBDC3", 
              weight = 1, 
              popup = state_popup) %>%
  addLegend("bottomright", pal = pal, values = ~gastosBrasil2$gastos,
            title = "Gastos da CEAP por parlamentar no ano de 2016 distribuídos pelo território brasileiro",
            opacity = 1)
Dessa maneira, observamos que os parlamentares do estado da Paraíba são aqueles que gastaram mais (em média), utilizando aproximadamente 350 mil da cota.